在深度学习中经常会碰到一个词，“张量”(tensor)。但对于一维，二维，三维还好理解，那么更多维度的时候呢？特别是当增加了批次(batch_size)这个维度，我们应该如何理解张量。
以pytorch为例，tensorflow也是一样的。
我们先来看这几个维度：
一维:
a = torch.tensor([1,2,3])
输出：tensor([1, 2, 3])
shape:torch.Size([3])
输出只有一个维度，所以是一维
二维：
a = torch.tensor([[1,2,3]])
输出：tensor([[1, 2, 3]])
shape:torch.Size([1, 3])
a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]])
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
shape:torch.Size([3, 3])
以上输出有行和列，所以上二维张量，就是一个二维矩阵。
在来看一个矩阵：
torch.ones(1,3,3)
tensor([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]])
我们注意到这个张量是有三个维度的，前面多了一个维度1。但貌似没看出这个1体现在哪里，我们再来看一个张量，进一步看一下这个最前面的维度体现在哪里：
torch.ones(3,3,3)
tensor([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]])
这回能看出来这个最前面的维度体现在哪里了么？相当于第一个3，是分了3大行，每一大行，又分了三行小行，每行又分了三列，所以是3*3*3，最后一个维度永远是列的维度。
如果你将上面的张量类比成图像，就相当于上面是3通道，每个通道的大小又是三行三列。。。
然后我们在看一个张量：
torch.ones(2,3,3,3)
tensor([[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]],
[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]]])
上面的输出我专门用一个水平线分开了，这样更明显，上面一部分是一个维度，下面又是一个维度，所以是两个维度，再说的大白话点，就是整个张量，两大行，每大行又分了三行，每行又分了三行，然后又分了三列。
这个最前面的维度2，其实就是batchsize，就相当于这个张量是输入了两张图像，每个图像的大小是3通道，大小3*3。这样就应该比较好理解了。
再附一张图来说明一下：
希望能够说明白~~让大家更好的理解张量
